AgentExecutorの使い方

LangChainにおける「AgentExecutor」は、エージェント（Agent）とツール（Tools）を統合して実行プロセスを管理するコンポーネントです。エージェントが思考してアクションを選び、そのアクションを実行する一連の流れを制御する役割を担います。

以下では、AgentExecutorの概要、構成要素、使い方の流れ、コード例、ユースケースについて順を追って詳しく説明します。

---

1. AgentExecutorとは何か

AgentExecutorは、次の要素を組み合わせて「反復的な思考→アクション→観察」のループを管理する実行エンジンです。

• Agent（例: ZeroShotAgent, ReActAgentなど）

• Tool（定義された関数やAPI）

• 実行ルール（最大ステップ数、途中終了条件など）

LangChainのエージェントは「Toolを選びながら思考を進めるLLM」として設計されており、その一連のプロセスを制御・実行するのがAgentExecutorです。

---

2. AgentExecutorの構成

必須要素

• agent: ツールを選択してアクションを考えるエージェント（ZeroShotAgentなど）

• tools: 実際に呼び出せるツール（Tool型のリスト）

オプション設定

• verbose: ログ出力を有効化するか（Trueで詳細出力）

• handle_parsing_errors: LLMが予期しない出力を出した場合の例外処理

• max_iterations: 最大の思考ループ回数

• early_stopping_method: ループ終了方法（”force” or “generate”）

---

3. 使い方の流れ

plaintext
1. Toolの定義
2. LLM（言語モデル）の準備
3. Agentの生成（ZeroShotAgentなど）
4. AgentExecutorの生成
5. Executorに入力してrun

---

4. コード例（Python）

python
from langchain.agents import Tool, AgentExecutor, initialize_agent
from langchain.agents.agent_types import AgentType
from langchain.llms import OpenAI

# 1. Toolの定義（例：計算用）
def add(a, b):
    return str(int(a) + int(b))

tools = [
    Tool(
        name="AddTool",
        func=lambda x: add(*x.split()),
        description="2つの数を加算します。入力は '5 3' のような形式です。"
    )
]

# 2. LLMの初期化
llm = OpenAI(temperature=0)

# 3. Agentの生成（ZeroShotAgentを使った例）
agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

# 4. 実行
result = agent.run("5と3を足してください")
print(result)

---

5. 主なユースケース

• ユーザーの入力から複雑な意思決定を自動化したい場合（例：旅行計画、ツール選択）

• LLMに複数の外部ツールを使わせたい場合（例：計算、検索、データベース問合せ）

• 会話型システムに複数の処理手順を踏ませたい場合（例：チャットボット with memory）

---

6. 注意点

• AgentExecutorの内部では、LLMの出力を正確にTool呼び出し形式へ変換できることが前提です。

• verbose=Trueで設定しておくと、エージェントの**「思考・アクション・観察」**の流れが詳細に出力され、デバッグに有用です。

• 出力形式が不安定な場合はhandle_parsing_errors=Trueの設定で処理継続できます。

---

まとめ